下载文档原格式
智慧电厂一体化大数据平台关键技术及应用分析随着信息技术的发展和电力系统的深度智能化、数字化转型，电力系统正在朝着智慧电厂的方向发展。
智慧电厂是指利用互联网、大数据、人工智能等信息技术手段实现电厂全生命周期的优化管理，提高电力供应效率和质量，同时降低能源消耗和环境污染。
智慧电厂一体化大数据平台是实现智慧电厂的基础和核心，具有重要的应用价值。
1. 数据采集技术。
应用物联网技术，实现对电厂各个环节的数据实时采集、传输和汇总。
包括机组状态、机组参数、燃料消耗等数据。
2. 数据存储技术。
应用高性能、可扩展的云存储技术，实现海量数据的高效存储、备份和恢复。
同时，应用数据分析技术，实现数据的多维度分析和挖掘。
3. 数据预处理技术。
应用数据清洗、去重、归一化等技术，对采集到的数据进行预处理和优化，提高数据的准确性和完整性。
4. 数据分析与建模技术。
应用机器学习、深度学习等技术，对电厂数据进行挖掘，并建立机器学习模型、预测模型等，实现对电厂的智能预测、运行优化、异常检测等功能。
5. 可视化技术。
应用数据可视化技术，将海量的数据通过图表、地图等形式直观展示，帮助管理人员实时掌握电厂的运行情况和趋势变化，帮助管理人员快速做出决策。
智慧电厂一体化大数据平台的应用，可以在以下方面带来明显的效益：1. 电力供应效率和质量提高。
通过智能预测和运行优化功能，可以实现对机组的稳定运行，提高电力供应效率和质量，减少停机损失。
2. 能源消耗和运行成本降低。
通过数据分析和建模功能，对机组运行状态进行评估和优化，实现对能源消耗和成本的降低。
3. 环境保护效益提高。
通过对机组的燃烧过程进行监测和分析，实现减少污染物排放，提高环境保护效益。
4. 电厂运行安全性提高。
通过异常检测和预警功能，实现对机组运行异常情况的及时发现和处理，提高电厂运行安全性。
智慧电厂一体化大数据平台关键技术及应用分析随着当前社会的快速发展，能源领域也迎来了一场新的变革。
智慧电厂一体化大数据平台作为能源领域的一项重要技术，其关键技术及应用分析成为了当前领域内的热点话题。
本文将从智慧电厂一体化大数据平台的定义、关键技术、应用场景以及未来发展等方面进行分析。
一、智慧电厂一体化大数据平台的定义智慧电厂一体化大数据平台是利用大数据技术、云计算技术、人工智能技术以及物联网技术等先进技术，对电厂全生命周期的各种设备、设施和生产过程进行监控、管理和优化的一种集成平台。
通过对电厂运营的数据进行采集、存储、处理和分析，实现了对电厂各方面的全面监控，并针对其中的问题进行智能化的分析和处理，从而提高了电厂的运营效率和降低了运营成本。
1. 数据采集与存储技术智慧电厂一体化大数据平台需要对电厂的运营数据进行实时的采集和存储。
针对这一需求，需要部署大量的传感器和数据采集设备，以确保对电厂各种设备和生产过程的数据进行全面、准确的采集。
需要建设高性能、高可靠性的数据存储系统，以满足对大规模数据的存储和管理需求。
2. 数据处理与分析技术对采集到的数据进行处理和分析是智慧电厂一体化大数据平台的核心技术之一。
通过对数据进行实时处理和分析，可以及时监测电厂的运营状况，并对其中存在的问题进行识别和分析。
通过对历史数据的分析，可以进行电厂的运营优化，并预测潜在的故障风险，从而实现对电厂运营的精细化管理。
3. 人工智能技术人工智能技术在智慧电厂一体化大数据平台中扮演着重要的角色。
通过对数据进行深度学习和模型训练，可以实现对电厂设备的智能化识别和预测，从而提高了对设备运行状态的实时监测能力。
人工智能技术还可以实现对电厂运营的自动化控制，从而提高了电厂的运营效率。
4. 信息安全技术面对日益增多的网络攻击，信息安全技术在智慧电厂一体化大数据平台中显得尤为重要。
必须建立高效的防火墙系统和漏洞修复机制，加密传输通道和数据存储系统，确保电厂运营数据的安全和隐私。
工业能效大数据云平台1、工业能效大数据云平台网络架构：企业现场各个配电室里的能源数据采集终端的数据上传到工业能效大数据云平台是通过已有或者新敷设光纤网络完成，光纤的敷设线路以现有电缆沟、桥架为基础进行布线，敷设好光纤后再进行熔接，通过光端机、光纤收发器将采集终端的数据传输到平台。
光纤的设计已经充分考虑到了稳定性、易维护性、故障易排除性等因素，使本光纤网络系统具有寿命长、稳定高、维护简便、排除故障容易等优势。
工业能效大数据云平台网络系统使用RS485连接线网路连接各现场仪表，将数据传到各采集终端，采集终端取得数据后通过企业级交换机、路由器、光纤网络上传到机房服务器，经过一定的处理后，客户登录工业能效大数据云平台即可看到整理后的数据。
（2）工业能效大数据云平台软件架构工业能效大数据云平台软件平台包含数据库系统、数据采集系统和能源管理系统。
能效大数据云平台数据库系统运行于独立的数据库服务器上，保证数据的安全稳定。
该部分为Oracle 数据库，负责保存系统数据，包括实时数据和历史数据以及各设备信息数据等，同时也为网站平台提供展示数据。
数据采集系统运行于现场采集终端上，使用C++语言编写，通过一定的协议与现场仪表实现通信并处理采集的表头数据发送到信息中心机房数据库服务器保存。
工业能效大数据云平台运行于信息中心机房Web 服务器上，使用.net 技术研发，基于B/S 架构，使用浏览器查看，平台将采集到的数据以客户希望的方式展现并以此为基础形成各种报表和文档。
（3）硬件部分 其他辅助系统 其他采集设备 采集终端 数据采集数据库系统 工业能效大数据云平台 仪表1 仪表2 仪表3工业能效大数据云平台硬件部分包含现场仪表设备、PLC设备、采集终端、服务器以及交换机、路由器等辅助硬件设备。
现场仪表负责计量生产设备运行情况实时数据并反映到仪表显示盘上，具备RS485对外输出接口。
采集终端负责与现场计量设备通信，并把采来的数据转发给数据服务器。
工业互联网及其层次结构工业互联网（industrial internet）概念最初由通用公司提出，它集成了大数据技术和各类分析工具，并通过无线网络将工业设备连接起来。
工业互联网将能快速适应不同任务的人工智能模型应用于分布式系统，通过云计算优化控制过程，实现更高程度的自动化，其核心含义与德国提出的“工业4.0”、中国提出的“中国制造2025”相同，即借助飞速发展的信息技术，在更高的层次将生产所涉及到的离散信息联结起来，利用大数据分析技术，优化生产过程，提高智能制造水平。
工业革命以来，机器生产取代人力，大规模工厂化生产取代个体工场手工生产。
传统手工生产时，人通过视觉、听觉、触觉等方式感知生产要素信息，在大脑中对信息进行整合、分析，以生产需求为驱动，对生产要素进行配置，从而满足生产要求。
进入机器大生产时代以来，生产分工越来越细致，一种产品往往是多家工厂共同协作生产而来。
生产设备的大幅度增加，导致生产涉及到大量的生产要素。
同时，生产设备朝着精密化、智能化的方向发展，描述单一设备的状态需要大量的信息，因此，传统的通过人的知觉感知全部生产要素是十分困难的。
此外，生产要素之间通常是跨越空间和时间的，人们感知到的信息通常具有局限性和延迟性，基于感知到的信息制定的决策，通常不是全局最优的策略。
随着智能传感器的广泛应用，人们可以实时感知离散的生产要素信息。
而物联网时代，能将这类信息在云平台上进行整合、分析，来优化制造过程，实现智能化生产，工业互联网平台也就应运而生。
工业互联网通过智能传感器，实时感知生产要素信息，并通过无线网络传输到工业互联网平台，工业互联网平台对信息进行分析、优化，然后对生产要素进行最优化配置，从而实现智能制造。
工业互联网层次结构可以分为4层，如图1所示。
主要包含边缘层、平台层、应用层以及IaaS层。
其中，边缘层解决数据采集的问题，其通过大范围、深层次的数据采集，以及异构数据的协议转换与边缘处理，构建工业互联网平台的数据基础；工业PaaS层解决工业数据处理和知识积累沉淀问题，依赖大数据分析技术，提供最优策略，形成开发环境，与之前不同的是会有云化的软件的应用；应用层解决工业实践和创新的问题，主要面向特定工业应用场景，激发全社会资源推动工业技术、经验、知识和最佳实践的模型化、软件化、再封装（即工业APP），用户通过对工业APP的调用实现对特定制造资源的优化配置；IaaS层通过虚拟化技术将计算、存储、网络等资源池化，向用户提供可计量、弹性化的资源服务。
树根互联：工业互联网赋能平台树根互联成立于2016年，是国内工程机械龙头企业三一重工孵化的工业互联网平台公司。
树根互联初期起步聚焦在风电、工程机械、农机等10大重点行业，这些行业的特点是设备价值高、地域分散、依赖人工维护成本高等。
对于每个新进入的行业，树根互联一开始会以比较重的方式，建立自己的交付团队。
基于PaaS平台，连接各个环节的合作伙伴，包括M2M采集模块（设备连接）、工业机理、算法、上层应用、BI可视化等，一起提供整体方案。
树根互联成立前两年，将其经验最丰富的后市场服务为核心业务，逐步拓展到其他行业的高价值、关键设备的后市场服务，然后拓展到这些设备所应用工厂的生产优化服务，进而形成产业链维度的工业互联网平台方案，同时横向拓展多个行业，最终形成跨行业跨领域的通用型工业互联网平台。
比起传统意义上的工业软件提供商，树根互联更擅长于通过loT hub（可以理解为所有设备数据采集的连接器，IoT hub将所有数据汇聚，再对接到ERP、MES等上层系统。
）直接看设备的数据、指标，知道其在发生什么，反应了什么，然后怎么直接优化、预测、预防等。
通过精准赋能工业企业的设备全生命周期管理，逐步涵盖研发设计、生产制造、运维服务和运营管理全链条，面向机器制造商、金融机构、业主、使用者、售后服务商、政府监管部门提供应用服务；同时对接各类行业软件、硬件、通讯商，形成生态效应。
目前，树根互联已成功为广州柴油机厂、时代高科、三一集团、中车长江、星邦重工、优力电驱动等众多行业企业提供了优质的平台服务。
并且分别与宁夏共享集团、广州一道、杰克集团等垂直领域龙头企业合作，建设了包括铸造产业链、注塑产业链、纺织产业链等在内的14个行业云平台。
树根互联已落户广州、北京、上海、长沙、苏州、西安6大城市，旗下工业互联网平台可覆盖95%主流工业控制器，支持400+种工业协议解析，平台各类工业设备连接数超56万台，覆盖61个工业细分领域，支持45个国家和地区的设备接入。
我国十大工业互联网平台作者：来源：《商周刊》2020年第12期2020年是中国工业互联网创新发展三年行动收官之年。
從2017年国家提出深化“互联网+先进制造业”发展意见以来，今年3月，国家工信部发布了推动工业互联网加快发展的通知，提出加快工业互联网发展“二十条”。
加快工业互联网发展，平台是关键。
目前全国具有一定影响力的平台超过70个，平均工业设备连接数达到69万台，平均工业模型数突破1100个，平均工业APP达到2120个。
跨行业、跨领域平台培育加速产业壮大，工信部遴选出海尔、东方国信等2019年十大跨行业、跨领域平台，加快了标杆示范引领作用。
海尔卡奥斯在工信部发布的2019年跨行业、跨领域工业互联网平台中，青岛海尔卡奥斯位居第一。
目前，卡奥斯已成长为比肩美国通用电气和德国西门子的全球三大工业互联网平台之一，聚集了3.4亿用户和390多万家生态资源，先后主导和参与了31项国家标准、6项国际标准的制定，是唯一被IEEE、ISO、IEC三大国际组织批准牵头制定大规模定制模式标准的工业物联网平台。
东方国信东方国信作为国家规划布局内的重点软件企业和首家在创业板上市的大数据公司，依托大数据技术优势和对钢铁、能源、电力、高铁、化工等29个工业行业大类的实践，打造了Cloudiip工业互联网平台，接入炼铁高炉、工程机械、风电、热力等20大类70余万台设备。
在工业互联网建设过程中，大数据是重要的核心，在大数据技术领域，东方国信被视为国内第一家可以完全取代国外软件厂商的企业。
东方国信在大数据方面具有较强的竞争力，凭借自助可控大数据技术，可以实现日处理数据3万亿条，日查询数据70万亿条。
比如淘宝在双十一会达到很大数据量，数据中心在支撑的时候，相当于每天都在过双十一。
具体到工业行业数据，冶金、能源、风电、水电等等这些领域已经达到了三千亿条。
为企业构建基于云上的数据科学生态体系，挖掘工业大数据价值，用全行业所有企业的数据实现互联互通来提供支撑，通过工业互联网平台打破限制。
工业互联网平台工业大数据应用实践案例分享第一章工业互联网平台概述 (3)1.1 工业互联网平台简介 (3)1.2 工业大数据应用价值 (3)第二章平台架构与关键技术 (4)2.1 平台架构设计 (4)2.1.1 总体架构 (4)2.1.2 关键模块设计 (4)2.2 关键技术解析 (4)2.2.1 数据采集技术 (5)2.2.2 数据存储技术 (5)2.2.3 数据处理技术 (5)2.2.4 数据安全技术 (5)2.3 技术应用实例 (5)第三章数据采集与接入 (5)3.1 数据采集方法 (5)3.1.1 传感器数据采集 (6)3.1.2 工控系统数据采集 (6)3.1.3 网络数据采集 (6)3.1.4 人工录入数据采集 (6)3.2 数据接入流程 (6)3.2.1 数据源识别与接入协议制定 (6)3.2.2 数据传输与存储 (6)3.2.3 数据清洗与转换 (6)3.2.4 数据索引与查询 (6)3.3 数据预处理 (7)3.3.1 数据完整性检查 (7)3.3.2 数据一致性检查 (7)3.3.3 数据归一化处理 (7)3.3.4 数据降维处理 (7)3.3.5 数据加密与安全 (7)第四章数据存储与管理 (7)4.1 数据存储策略 (7)4.2 数据管理技术 (7)4.3 数据安全性保障 (8)第五章数据分析与挖掘 (8)5.1 数据分析流程 (8)5.2 数据挖掘算法 (9)5.3 应用案例分享 (9)第六章智能制造与应用 (9)6.1 智能制造概述 (9)6.2 智能制造应用场景 (10)6.2.1 生产线智能化改造 (10)6.2.2 供应链管理 (10)6.3 应用案例分享 (10)第七章个性化定制与优化 (11)7.1 个性化定制方法 (11)7.1.1 定制需求分析 (11)7.1.2 定制方案设计 (11)7.1.3 定制流程实施 (11)7.2 优化策略与应用 (11)7.2.1 生产过程优化 (11)7.2.2 资源配置优化 (11)7.2.3 供应链协同优化 (11)7.3 应用案例分享 (12)第八章预测性维护与故障诊断 (12)8.1 预测性维护技术 (12)8.1.1 传感器监测技术 (12)8.1.2 数据挖掘与分析技术 (12)8.1.3 机器学习与人工智能技术 (13)8.2 故障诊断方法 (13)8.2.1 信号处理方法 (13)8.2.2 机理分析方法 (13)8.2.3 数据驱动方法 (13)8.3 应用案例分享 (13)第九章能源管理与优化 (13)9.1 能源管理策略 (13)9.1.1 引言 (14)9.1.2 能源管理策略制定 (14)9.1.3 能源管理策略实施 (14)9.2 能源优化技术 (14)9.2.1 引言 (14)9.2.2 能源优化技术概述 (14)9.2.3 能源优化技术应用 (14)9.3 应用案例分享 (15)9.3.1 某钢铁企业能源管理案例 (15)9.3.2 某化工企业能源优化案例 (15)9.3.3 某家电企业能源管理案例 (15)第十章工业互联网平台发展趋势与展望 (15)10.1 发展趋势分析 (15)10.2 面临的挑战与机遇 (16)10.3 未来发展展望 (16)第一章工业互联网平台概述1.1 工业互联网平台简介工业互联网平台是指基于云计算、大数据、物联网等现代信息技术，集成工业生产、管理、服务等各个环节的数据资源，实现设备、系统、人三者之间的互联互通，提供数据采集、存储、处理、分析、应用等全流程服务的平台。
工业互联网平台建设与工业大数据应用方案第一章工业互联网平台概述 (3)1.1 工业互联网平台概念 (3)1.2 工业互联网平台架构 (3)1.3 工业互联网平台发展趋势 (3)第二章平台建设基础 (4)2.1 平台建设需求分析 (4)2.2 平台技术选型 (5)2.3 平台安全体系建设 (5)第三章网络设施建设 (6)3.1 工业网络架构设计 (6)3.1.1 网络层次划分 (6)3.1.2 网络拓扑结构 (6)3.1.3 网络协议选择 (6)3.1.4 网络安全设计 (6)3.2 工业网络设备选型 (6)3.2.1 功能指标 (7)3.2.2 设备兼容性 (7)3.2.3 设备可靠性 (7)3.2.4 设备安全性 (7)3.2.5 交换机 (7)3.2.6 路由器 (7)3.2.7 光纤收发器 (7)3.3 工业网络运维管理 (7)3.3.1 网络监控 (7)3.3.2 故障处理 (7)3.3.3 网络优化 (7)3.3.4 安全防护 (8)3.3.5 设备维护 (8)3.3.6 人员培训 (8)第四章平台数据采集与整合 (8)4.1 数据采集技术 (8)4.2 数据整合方法 (8)4.3 数据清洗与预处理 (9)第五章工业大数据存储与管理 (9)5.1 存储技术选型 (9)5.1.1 分布式存储技术 (9)5.1.2 NoSQL数据库 (9)5.1.3 关系型数据库 (9)5.2 数据管理策略 (10)5.2.2 数据清洗与转换 (10)5.2.3 数据安全与权限管理 (10)5.3 数据备份与恢复 (10)5.3.1 数据备份 (10)5.3.2 数据恢复 (10)第六章工业大数据分析与挖掘 (10)6.1 数据分析方法 (10)6.2 数据挖掘算法 (11)6.3 分析与挖掘应用场景 (11)第七章工业互联网平台应用开发 (12)7.1 应用开发框架 (12)7.2 应用开发流程 (12)7.3 应用案例分享 (13)第八章平台运维与优化 (13)8.1 平台运维策略 (13)8.1.1 运维组织架构 (13)8.1.2 运维流程规范 (14)8.1.3 运维工具和平台 (14)8.1.4 运维培训和认证 (14)8.2 平台功能优化 (14)8.2.1 硬件资源优化 (14)8.2.2 软件功能优化 (14)8.2.3 数据存储优化 (14)8.2.4 网络功能优化 (14)8.3 平台故障处理 (14)8.3.1 故障分类 (14)8.3.2 故障监测 (14)8.3.3 故障处理流程 (15)8.3.4 故障应对措施 (15)8.3.5 故障总结与改进 (15)第九章工业大数据应用方案 (15)9.1 产品质量优化 (15)9.1.1 概述 (15)9.1.2 数据采集与处理 (15)9.1.3 数据分析方法 (15)9.1.4 应用案例 (15)9.2 生产效率提升 (16)9.2.1 概述 (16)9.2.2 数据采集与处理 (16)9.2.3 数据分析方法 (16)9.2.4 应用案例 (16)9.3 设备健康管理 (16)9.3.1 概述 (16)9.3.3 数据分析方法 (16)9.3.4 应用案例 (17)第十章工业互联网平台建设与大数据应用展望 (17)10.1 工业互联网平台发展趋势 (17)10.2 工业大数据应用前景 (17)10.3 工业互联网与大数据产业融合 (18)第一章工业互联网平台概述1.1 工业互联网平台概念工业互联网平台是指在工业领域，以云计算、大数据、物联网、人工智能等新一代信息技术为基础，整合工业生产、运营、管理和服务等环节的数据资源，实现工业全要素、全流程、全生命周期互联互通、协同优化的网络平台。
电厂工业互联网平台建设及应用推广方案第1章项目背景与意义 (3)1.1 电厂行业发展现状分析 (3)1.1.1 电厂规模与产能 (4)1.1.2 技术水平与自动化程度 (4)1.1.3 能源消耗与环境污染 (4)1.2 工业互联网在电厂行业中的应用价值 (4)1.2.1 提高发电效率 (4)1.2.2 保障生产安全 (4)1.2.3 降低运维成本 (4)1.2.4 促进环保与绿色发展 (5)1.2.5 推动行业创新 (5)第2章电厂工业互联网平台架构设计 (5)2.1 总体架构 (5)2.2 技术架构 (5)2.3 数据架构 (6)第3章关键技术及实现 (6)3.1 设备连接与数据采集 (6)3.1.1 设备适配技术 (6)3.1.2 数据采集技术 (7)3.1.3 数据预处理技术 (7)3.2 大数据存储与分析 (7)3.2.1 大数据存储技术 (7)3.2.2 数据分析技术 (7)3.3 人工智能技术应用 (7)3.3.1 机器学习技术 (7)3.3.2 深度学习技术 (7)3.3.3 优化算法 (7)3.4 安全保障技术 (8)3.4.1 网络安全防护技术 (8)3.4.2 数据安全保护技术 (8)3.4.3 系统安全监控技术 (8)第四章平台功能模块设计 (8)4.1 设备管理模块 (8)4.1.1 设备监控 (8)4.1.2 维护保养 (8)4.1.3 故障诊断 (8)4.1.4 生命周期管理 (8)4.2 生产管理模块 (9)4.2.1 生产计划 (9)4.2.2 生产执行 (9)4.2.3 质量控制 (9)4.3 能源管理模块 (9)4.3.1 能源监测 (9)4.3.2 能源分析 (9)4.3.3 能源优化 (9)4.3.4 碳排放管理 (9)4.4 安全管理模块 (9)4.4.1 安全监控 (9)4.4.2 应急预案 (9)4.4.3 安全培训 (10)4.4.4 安全审计 (10)第5章电厂设备智能化改造 (10)5.1 设备选型与接入 (10)5.2 设备互联互通 (10)5.3 设备故障预测与健康评估 (10)第6章生产优化与调度 (11)6.1 生产过程监控与优化 (11)6.1.1 监控系统构建 (11)6.1.2 生产数据分析 (11)6.1.3 生产优化策略 (11)6.2 能源消耗分析与节能 (11)6.2.1 能源消耗数据采集 (11)6.2.2 能源消耗分析 (11)6.2.3 节能措施及应用 (11)6.3 生产调度与决策支持 (12)6.3.1 生产调度系统构建 (12)6.3.2 生产调度算法优化 (12)6.3.3 决策支持系统 (12)6.3.4 生产调度与决策支持应用 (12)第7章数据分析与决策支持 (12)7.1 数据预处理与清洗 (12)7.1.1 数据集成 (12)7.1.2 数据转换 (12)7.1.3 数据归一化 (12)7.2 数据挖掘与分析 (13)7.2.1 关联规则分析 (13)7.2.2 聚类分析 (13)7.2.3 时间序列分析 (13)7.3 决策支持与预测模型 (13)7.3.1 决策支持模型 (13)7.3.2 预测模型 (13)7.3.3 模型评估与优化 (13)第8章平台安全与稳定性保障 (13)8.1 网络安全防护 (13)8.1.2 防火墙与入侵检测系统 (14)8.1.3 安全审计与日志分析 (14)8.1.4 安全运维管理 (14)8.2 数据安全与隐私保护 (14)8.2.1 数据加密存储与传输 (14)8.2.2 数据备份与恢复 (14)8.2.3 数据权限控制 (14)8.2.4 隐私保护 (14)8.3 系统稳定性与可靠性 (14)8.3.1 系统架构优化 (14)8.3.2 系统功能优化 (14)8.3.3 系统监控与故障处理 (15)8.3.4 系统灾备建设 (15)第9章应用推广与产业生态构建 (15)9.1 电厂行业解决方案推广 (15)9.1.1 需求分析与定制化解决方案 (15)9.1.2 成功案例展示与宣传 (15)9.1.3 培训与支持 (15)9.2 合作伙伴生态建设 (15)9.2.1 合作伙伴筛选与合作模式 (15)9.2.2 产业联盟与协同创新 (15)9.2.3 人才培养与交流 (16)9.3 市场拓展与品牌推广 (16)9.3.1 市场调研与分析 (16)9.3.2 品牌建设与传播 (16)9.3.3 市场渠道拓展 (16)9.3.4 客户关系管理 (16)第10章项目实施与评估 (16)10.1 项目实施策略与计划 (16)10.1.1 实施策略 (16)10.1.2 实施计划 (16)10.2 项目风险评估与管理 (17)10.2.1 风险识别 (17)10.2.2 风险评估与管理 (17)10.3 项目效果评估与持续改进 (17)10.3.1 效果评估指标 (17)10.3.2 持续改进措施 (17)第1章项目背景与意义1.1 电厂行业发展现状分析经济全球化与工业自动化进程的不断推进，电厂行业作为能源供应的重要支柱，其发展状况直接关系到国家能源安全与经济稳定。
国华电力大数据应用案例工业互联网火力发电大数据集成平台引言：工业互联网作为新一代信息技术与工业技术、制造技术深度融合的产物，日益成为新工业革命和中国制造2025 的重要基石，不仅是实现两化融合和智能制造的重要依托，也是落实国务院发改委关于深化“互联网+”智慧能源指导意见的重要举措。
为进一步实现管控模式、管理手段、生产方式、生产技术的全面创新，融入能源互联网，建设“能量-信息-价值”互联互通的智能电力企业，在国家能源集团的领导和支持下，国华电力公司构建了电力生产大数据平台，并开展工业互联网的应用研究。
一、项目概况国华电力公司通过对海量数据进行高效的存储组织和有效管理，为数据访问提供统一透明通道，来满足各类业务应用需求。
大数据平台的建立，提升了公司大数据处理能力，可全面满足发电生产运行信息、能耗信息、电量信息、设备状态信息等数据服务与管理，为优化运行、状态评估、故障预警、发电生产集控运行等应用奠定基础。
1.项目背景国家能源集团的发展目标是成为“技术领先、管理先进、创新驱动、价值创造”的世界一流清洁能源供应商。
在电力板块，集团以持续创造价值为宗旨，提出建设智能电力，打造全绿色电力。
智能电力离不开，智能化电站，智能化电站是在数字化电站基础上发展起来的，综合运用了各种数字化、自动化、信息化技术手段，形成的以数据分析处理技术为核心的新型电站。
电站智能化水平的提升，导致现场总线、智能仪表、传感器、摄像头等新型技术和智能设备的大量应用，造成了数据采集量的急剧增大，数据采集的多样化与多源化的情况日益显现，在智能化电站产生了，数据采集的范围越来越广，采集频率越来越高，数据类型越来越多，数据量越来越大，数据产生速度越来越快的现象，为大数据应用奠定了基础。
2.项目简介1、电厂面对大规模且种类多样的现场数据，传统的应用软件已经很难处理。
有必要运用大数据管理、大数据分析与挖掘技术，通过在智能化电站的体系中，进一步强化和拓展数据的利用范围与利用方式，让数据赋予电站新的生产运营能力，并从中发现新的认知，创造新的价值，满足智能电站的生产与运营。
2、本项目通过构建国华电力公司大数据分析平台，对电力大数据分析与应用的关键技术路径、核心技术内涵及其应用方向的研究，实现数据集成与治理服务，为国华公司建设以大数据为核心的系统集成服务、大数据开发、应用、发布服务提供基础支撑，为电厂本质安全提升、智能诊断、运行优化、经营决策等业务领域的软课题研究提供实践环境。
3.项目目标1、探索从以流程为中心向以数据为中心转变的信息化建设模式。
建立以大数据为核心的工业互联网平台，汇聚全业务、全类型数据资源，通过数据“存储、整合、建模、分析”，全面支撑国华电力数据应用需求，为电厂提供设备全生命周期管理、生产运行工况、经营决策提供分析诊断和决策支持服务。
支持电厂海量设备高并发接入、支持微服务形式的应用开发、支持关键应用的垂直服务，切实帮助企业降低成本，提升工作效率，增强管理水平，为员工提供灵活、多样的个性化服务。
在此基础上，构建开放、共享、共赢的工业互联网生态体系，为实现智慧发电的根本目标奠定基础。
2、同时，为国华电力公司建设统一的大数据应用平台，进行大数据的统一存储、统一管理，以及应用的统一开发和部署。
在国华电厂建设分布式大数据应用站点，进行电厂大数据的采集、预处理、大数据分节点计算，以及大数据应用结果的展示。
二、项目实施概况本项目在建设，将大数据分析技术与火力发电厂运维管理相融合，实现业务应用快速、灵活的标准化开发，汇集数据资产、创新管理模式，促进工业技术/ 知识信息化产业模式形成，奠定了国华公司工业互联网平台（Smart IIP）的基础架构，为实现智慧企业应用生态链提供良好开端。
基于该方案，公司打造了统一开发、统一运维、大数据处理，边缘计算四位一体的平台体系，实现了企业IT 基础设施云化、数据集中统一分析利用、“微服务”应用的创新开发模式。
平台接入各级实时、准实时生产经营数据32 亿条，连通 4 家电厂共10 台煤电机组，部署服务14 个，应用18 个，完成各类机器学习模型20 个。
在平台之上部署了基于大数据分析的机组运行优化和设备故障预警等应用。
1.项目总体架构和主要内容（1）平台整体架构平台整体架构如。
如图 1 所示：资源中心部分由国华公司大数据中心和电厂边缘计算中心组成，国华公司大数据中心部署IaaS 平台，提供虚拟化资源、Hadoop 数据存储及计算组件、时间序列数据库和RDB，用于支撑大数据平台基础功能及上层业务应用；电厂部署IaaS 基础资源池，提供虚拟化资源、RDB 资源，支持大数据平台和应用的构建。
数据中台部分在整个大数据平台中起到承上启下的作用。
通过连接IaaS 平台的虚拟化资源，并利用PaaS 的基础服务功能，为上层的SaaS 应用提供基础支撑功能。
PaaS 平台又分为3 层：公共服务层、支撑组件层和数据平台层。
图1 国华大数据平台整体架构应用中心汇集了大数据应用的成果。
该中心不仅包括国华公司大数据平台工业互联网门户，还包括已经开发完成的经营决策系统、运行优化指导系统、故障预警及智能诊断系统。
未来，国华公司新增的业务应用，如智慧班组、知识管理等系统，都将在大数据中心进行统一部署。
（2）门户及应用展示图2 国华公司工业互联网门户展现1图3 国华公司工业互联网门户展现2图4 经营决策大数据应用图 5 运行优化指导大数据应用图6 故障预警大数据应用2.微服务框架微服务框架(Cloud Service Framework)是企业级微服务应用管理平台，包含服务注册、配置和治理中心，帮助国华公司实现微服务应用的快速构建、实时监控和高可用保障。
兼容主流开源生态，不绑定特定开发框架和平台，支持已有应用业务代码零修改接入。
微服务框架的建立使得我们可以将一个大型独立的应用系统拆分成多个微服务，被拆分成的每一个微服务都围绕着系统中的特定业务功能构建，且维护自身的数据存储、业务开发、自动化测试案例以及独立部署机制。
这些微服务在各自独立的进程中运行，不同的应用可以根据需要创建相应微服务进程，服务之间通过基于HTTP 的RESTful API 或私有RPC 协议进行协作。
（1）微服务开发框架支持REST，gRPC、Apache Thrift ™等微服务RPC 框架。
提供微服务的注册、发现、通信、路由、重试等基础能力。
（2）微服务治理中心微服务治理中心是整个微服务架构的核心，为整个微服务架构提供微服务的负载均衡、限流、降级、容错、熔断、灰度发布、回滚等服务管理功能。
（3）微服务监控和跟踪支持微服务实例和接口级的实时QPS、响应时间、出错率等监控统计。
并能实时分析系统内每一次服务调用链的情况，精准发现系统的瓶颈和隐患。
调用链详情包括应用名、IP、调用类型（Dubbo、gRPC 等）、被调用服务、状态、响应时间、网络流量，支持按应用名、时间范围、调用类型、响应阈值等条件进行查询。
3.大数据应用（1）智能诊断应用智能诊断应用以大数据技术为依托，以转动设备为研究对象，凭借大数据模，实时计算预测设备运行状态，实现系统、设备、参数级的早期预警及诊断，构建以数据驱动为中心的共享服务，提高设备健康水平。
智能诊断应用目前涵盖了引风机、空预器、汽动给水泵和汽轮机四类主机和辅机设备，依托机器学习和大数据技术实现设备的智能故障诊断和设备预警。
主要功能包括：设备诊断概览、设备对比分析、设备诊断分析、设备数据管理、设备诊断模型配置、智能诊断计算调度，设备故障知识库及系统管理等。
▪设备诊断概览：主要显示系统所有设备的整体状态。
通过可视化的方式展示智能诊断应用结果，多维度分析设备的当前运行状况和健康状态图 7 系统总览页面▪设备对比分析：同类型设备进行横向对比分析，找出设备之间的健康状态差异并分析故障预警数据。
图 8 引风机设备对比分析▪设备诊断分析：主要从设备级、参数级和机理级三个维度对设备进行实时故障诊断，并汇总分析设备健康状态，以引风机为例进行说明。
下图是1 号机组11 引风机的整体诊断分析及健康状态分析，以及设备级机器学习诊断和参数级设备预警的诊断结果。
图 9 引风机的整体诊断分析及健康状态分析▪设备状态监视：实时展示设备的运行状况以及健康状态，主要是对机器学习诊断及设备参数诊断的实时监视。
图 10 引风机状态监视▪设备的参数预警诊断：通过关键参数进行训练学习，形成不同的异常检测算法模型和能反应设备健康状况的主要参数历史变化曲线，并可通过不断的数据积累优化算法模型。
通过对参数进行诊断分析之后，形成参数的预警结果供用户分析使用。
图 11 设备参数分析▪设备的机理分析：以引风机为例，引风机的运行特性通常用引风机全压、轴功率、效率与风机体积流量Q 之间的关系曲线来表示。
通过对引风机实时状态参数和特性曲线进行比较分析，可对如喘振、失速等明显的故障风险进行分析预警，同时可与机器学习、参数诊断等模型对比验证。
图 12 设备机理分析▪设备诊断模型：通过对原始数据建立样本数据，进行数据处理和数据标签后形成训练集数据，然后结合机器学习算法进行模型训练和学习，形成不同的算法模块。
随着数据不断积累更新后，通过训练学习，对已有的算法模块的参数进行优化，从而逐渐优化该设备的诊断模型。
图 13 诊断算法模型汇总▪设备故障知识库：通过对设备相关数据进行分析汇总，结合ERP 系统故障数据、DCS 报警信息及操作日志、设备巡检记录等，汇总设备所有相关的故障特征和故障原因，建立设备、故障、原因三者的关联关系，形成典型故障知识库，支持对设备故障数据的大数据分析。
图14 诊断算法模型汇总（2）机组运行优化应用机组运行优化主要是针对国华公司宁海电厂、定州电厂，台山电厂的各2 台600MW 燃煤机组，依托机器学习和大数据技术进行机组的运行经济性优化，以降低供电煤耗为主要优化方向。
机组运行优化的功能包括机组运行概览、机组指标计算、机组工况寻优、机组经济性分析、机组操作指导、工况对比分析及系统管理等功能。
▪机组运行优化概览：主要展示机组当前的工况及经济性指标和主要辅机的状态。
图 15 机组概况▪实时性能指标计算：通过图形化的方式，展现性能计算的主要指标，包括机组供电煤耗，锅炉、汽机效率等实时经济性指标。
图 16 实时性能指标计算▪机组工况寻优：以机器学习算法为基础，寻找历史机组运行最优工况，继而对现有工况中与历史最优工况进行智能聚类分析，寻找最佳可控参数，实现工况逐步优化。
根据机组工况分类情况，从六个维度对机组进行颗粒度细分，包括机组负荷、循环水温、环境文件、燃煤热值、锅炉吹灰及机组供热，工况组合至少在50000 种以上，如下所示。
图 17 机组工况寻优▪机组经济性分析：通过对每种工况得到的寻优结果进行逐层分析，分析影响煤耗经济性的主要原因并量化，对供电煤耗进行了基于反平衡计算的逐层分解计算和分析。
